Focal Loss 通过降低易分类样本权重，使模型专注于困难样本，解决类别不平衡问题。

公式

$$FL(p_t) = -\alpha_t (1 - p_t)^\gamma \log(p_t)$$

参数：

• $p_t$：模型对正确类别的预测概率
• $\alpha_t$：类别平衡参数
• $\gamma$：焦点参数（通常为 2）

原理

示例（$\gamma=2, \alpha_t=0.25$）：

• 难分类样本（$p=0.2$）：$FL = 0.257$
• 易分类样本（$p=0.8$）：$FL = 0.002$

与交叉熵对比

标准交叉熵对所有样本一视同仁，Focal Loss 自动调整样本权重：

• $\gamma=0$：退化为标准交叉熵
• $\gamma>0$：越大，易分类样本权重越低

应用场景

• 目标检测（正负样本极不平衡）
• 图像分割（前景背景不平衡）

配合 $\alpha_t$ 可同时处理类别不平衡和样本难度不平衡。